Extracto
El cáncer de ovario es la quinta causa de muerte por cáncer en mujeres en los EE.UU. y el séptimo más fatal en todo el mundo. Aunque el cáncer de ovario es notable por su sensibilidad inicial a las terapias a base de platino, la gran mayoría de los pacientes eventualmente desarrollan cáncer recurrente y sucumbir a la enfermedad resistente al platino cada vez. , fármacos contra el cáncer dirigidos modernos intervienen en la señalización celular, y la identificación de mecanismos de las enfermedades principales y las vías avanzarían en gran medida nuestra capacidad de tratamiento. Con el fin de arrojar luz sobre la diversidad molecular de cáncer de ovario, se realizó un amplio perfil transcripcional de 129 fase avanzada, de alto grado de los cánceres de ovario seroso. Hemos implementado una versión basada en un nuevo muestreo del algoritmo de descubrimiento de clase ISIS (Risis: robusta ISIS) y lo aplicamos a todo el conjunto de perfiles de transcripción de cáncer de ovario. Risis identificó una estratificación de los pacientes no descrita previamente, apoyado además por perfiles de expresión de micro-ARN, y el conjunto de genes de enriquecimiento de análisis encontró un fuerte soporte biológico para la estratificación de la matriz extracelular, adhesión celular, y los genes de la angiogénesis. El correspondiente "firma angiogénesis" fue validada en diez independientes publicados el gen del cáncer de ovario expresión de datos y se asocia significativamente con la supervivencia global. Los subtipos que hemos definido son de interés potencial traslacional, ya que pueden ser relevantes para la identificación de pacientes que pueden beneficiarse de la adición de terapias anti-angiogénicas que ahora se están probando en ensayos clínicos
Visto:. Bentink S, haibe -Kains B, T Risch, Ventilador JB, Hirsch MS, Holton K, et al. (2012) ARNm angiogénico y microARN Expresión Génica Firma predice un subtipo novela de cáncer de ovario seroso. PLoS ONE 7 (2): e30269. doi: 10.1371 /journal.pone.0030269
Editor: Chad Creighton, Baylor College of Medicine, Estados Unidos de América
Recibido: 19 Octubre, 2011; Aceptado: December 12, 2011; Publicado: 13 Febrero 2012
Derechos de Autor © 2012 Bentink et al. Este es un artículo de acceso abierto distribuido bajo los términos de la licencia Creative Commons Attribution License, que permite el uso ilimitado, distribución y reproducción en cualquier medio, siempre que el autor original y la fuente se acreditan
Financiación:. Este trabajo fue apoyada por las subvenciones del Dana-Farber /Harvard Cancer Center Programa de la Mujer cáncer, la Fundación Claudia Adams Barr, la Fundación Kittredge, y el Fondo de alta tecnología Instituto de cáncer Dana-Farber. El apoyo adicional fue proporcionada por una subvención del Instituto Nacional del Cáncer (3P50 CA105009-05S1). Los ensayos fueron DASL proporcionada por Illumina, Inc. Los patrocinadores no tenía papel en el diseño del estudio, la recogida y análisis de datos, decisión a publicar, o la preparación del manuscrito
Conflicto de intereses:. Los ensayos utilizados para derivar la angiogénico la firma de los pacientes en el Instituto del cáncer Dana-Farber y el hospital Brigham y de Mujeres se llevaron a cabo por científicos de la iluminación, que comercializan el DASL. Autores Jian-Bing Fan, Craig abril, Chen Jing y Eliza Wickham-García son empleados de Illumina, Inc., una empresa comercial. Esto no altera la adhesión de los autores a todos los PLoS ONE políticas sobre los datos y compartir materiales y todos los datos han sido depositadas en ArrayExpress.
Introducción
Avanzado cáncer epitelial de ovario es notable por la sensibilidad inicial de platino y la quimioterapia basada en taxanos [1], [2], pero la gran mayoría de las mujeres desarrollará cáncer de ovario recurrente dentro de 12 a 24 meses y eventualmente morirán de la enfermedad cada vez más platino y resistentes a la quimioterapia. Una posible razón de que el cáncer de ovario sigue siendo refractario a la terapia es que hay subtipos moleculares distintos, que diferentes propiedades celulares, cada una de las cuales pueden requerir diferentes enfoques terapéuticos para tratar eficazmente la enfermedad.
La expresión génica de datos de perfiles representa la mayor fuente de datos genómicos que podrían ser de utilidad en la identificación de subtipos clínicamente relevantes en el cáncer de ovario, y varios estudios han explorado su uso para la búsqueda de biomarcadores predictivos y subtipos clínicamente relevantes en el cáncer de ovario [3], [4], [5], [6], [7], [8], [9], [10], [11]. Tothill et al. [10] utilizó un agrupamiento no supervisado de los perfiles de expresión de genes y propusieron la existencia de seis subtipos en el cáncer epitelial de ovario (denotado C1-C6) y séptimo grupo de tumores inclasificables (NC); el subtipo C1, que tenía el pronóstico más pobre, se encontró que se caracteriza por la expresión de una firma del estroma sensible. Dressman et al [5] Se utiliza un enfoque estadístico supervisado para predecir la respuesta al tratamiento a base de platino a partir de datos de expresión génica; hallaron evidencia que vincula a la quimio-resistencia a la actividad de la vía Rb /E2F Src y. Recientemente, el "El Atlas del Genoma del Cáncer" (TCGA, http://cancergenome.nih.gov) consorcio dio a conocer un conjunto de 500 perfiles de expresión génica a partir de 500 muestras de tumores de cáncer de ovario seroso que se utilizan para inferir la existencia de múltiples subtipos [12] . Sin embargo, ninguno de los subtipos identificados hasta la fecha han visto una amplia aplicación clínica ya menudo no validar en conjuntos de datos independientes.
Nuestro objetivo fue identificar los subtipos moleculares robustos de cáncer de ovario seroso de alto grado y conjuntos de clasificación definido funcionalmente genes que podrían dar una idea de las posibles terapias. Comenzamos con una colección de 129, las muestras anotadas clínicamente fijado en formol e incluido en parafina (FFPE) FIGO estadio III y IV de alto grado seroso de ovario previamente utilizadas para la construcción de un microarray de tejido [13], [14] y utilizamos el Illumina DASL ™ plataforma BeadArray ™ para el perfil de expresión de ARNm en estos pacientes; en paralelo, perfilamos el nivel de expresión de los 743 no codificante micro-ARN.
Después de haber recogido y normaliza los datos de expresión génica, se corre el algoritmo de descubrimiento de clase Risis [15] y se sometieron los subtipos candidatos resultantes de una validación rigurosa y evaluación que incluye la evaluación basada en la estabilidad de arranque y la integración de perfiles de microARN, y luego validaron los subtipos resultantes y se asocian firma genética en diez conjuntos de datos de expresión de genes independientes que representan los datos de 1.606 pacientes con cáncer de ovario.
la identificación del paciente
se obtuvo la aprobación del Dana-Farber /Harvard Cancer Center Junta de Revisión Institucional (IRB) para revisar todos los informes de patología entre enero de 1999 y diciembre de 2005 en el Brigham y hospital de Mujeres Departamento de Patología base de datos que incluye el diagnóstico de "cáncer de ovario" y recoger los datos clínicos asociados a esos pacientes. Los pacientes elegibles tenían un diagnóstico de etapa tardía (todo el estadio III-IV de la FIGO, excepto 1 caso de IIc) papilar de alto grado de carcinoma de ovario seroso, bloques de patología disponibles para la generación de un microarray de tejido de alta densidad (HTMA) [13]. Se extrajeron las características clínicas y demográficas de los pacientes, incluyendo: edad al momento del diagnóstico, estadio de la enfermedad, los procedimientos quirúrgicos, tratamiento de quimioterapia administrada, la respuesta a la quimioterapia, fecha de diagnóstico, fecha de la primera recurrencia de la enfermedad, y la fecha de la muerte o la última visita se ha documentado que un proveedor de servicios médicos .
extracción de RNA y la hibridación de microarrays
ARN fue extraído de FFPE bloques utilizados originalmente para la construcción TMA. H & amp; E diapositivas fueron revisados por un patólogo ginecológica dedicado (MSH), y tres cilindros de tejido de 0,8 mm fueron tomadas de las correspondientes muestras FFPE en lugares adyacentes a los núcleos originales de TMA; áreas seleccionadas para el muestreo se basa en tener bajos niveles de la infiltración, necrótico, u otros elementos contaminantes tejido no tumoral. El ARN mensajero se extrajo usando el kit Qiagen RNeasy FFPE con; se analizaron usando un prototipo Illumina BeadArray DASL que contiene aproximadamente 12.000 ARNm seleccionados calidad y la integridad del ARN se evaluó mediante perfiles en el Agilent BioAnalyzer y 129 muestras que pasan este análisis básico de control de calidad (ArrayExpress adhesión Matriz Diseño A-MEXP-931) [16]; doce muestras se realizaron por duplicado para permitir la estimación de la reproducibilidad del ensayo. Además, se utilizó una expresión de microARN basado en DASL prototipo de perfiles de sondas BeadArray que contiene hasta 743 microARN (ArrayExpress adhesión Matriz Diseño A-MEXP-1678) [17] para estudiar los patrones de actividad micro ARN en las muestras. Los datos resultantes se normalizaron mediante una variación estabilizar la transformación combinada con la normalización cuantil como se aplica en el paquete Bioconductor lumi [18], [19]. Ambos conjuntos de datos se presentaron al repositorio de datos ArrayExpress (Experimento ArrayExpress adhesión E-MTAB-386).
Análisis de los datos
Para identificar los subtipos de cáncer de ovario, el tumor muestras 129 se dividieron en un entrenamiento conjunto (n = 82) y un conjunto de selección de modelo (n = 47). Los genes en el microarray se filtra para seleccionar la más altamente variable 1000 en sus niveles de expresión a través de muestras, sino que también tenía una baja variabilidad entre los doce conjuntos de duplicados. Se utilizó el algoritmo de descubrimiento de clase Risis con estos 1000 genes para identificar distintas particiones de las muestras de entrenamiento y 82 para seleccionar los 100 genes que proporcionaron el apoyo estadístico más significativo para la partición. A continuación, prueba nuestro conjunto de candidatos inicial de particiones en contra del 47 modelo de selección de prueba de conjunto de muestras y retenido cuatro que retiene la significación estadística (estabilidad de clasificación & gt; 95% durante el arranque). en el conjunto de selección de modelo
Los datos de expresión de microARN de 743 miRNAs humanos conocidos perfiladas en las mismas 129 muestras de tumor se ensayaron usando PAM (análisis predictivo de microarrays) [20] en combinación con un enfoque anidado transversal de validación [21] para su capacidad de predecir de forma independiente las etiquetas de asignación de clase Risis.
El análisis conjunto de genes de enriquecimiento (GSEA) para identificar los temas biológicos asociados con los subtipos candidatos (FDR & lt; 10%).
La validez de los subtipos Risis fue validado en diez conjuntos de datos independientes (Tabla 1). Los datos de cada estudio se normalizaron, sondas asignadas a identificadores EnsEMBL, los niveles de expresión génica escalados con firmeza al rango [-1, 1], y las muestras clasificadas usando una puntuación basada en los pesos determinados a partir de nuestro análisis discriminante lineal en el conjunto de datos original. Los detalles adicionales de los métodos de cálculo utilizados se proporcionan en el texto S1.
Resultados
estratificación de un paciente basado en 4 expresión génica firmas independientes
Gene estratificación basada en la expresión de cáncer en subtipos distintos transcripcionalmente ha demostrado ser muy potente en la separación de pacientes con características clínicas únicas, y en el esclarecimiento de los genes y los mecanismos responsables de la conducción del subtipo distinciones. Sin embargo ninguna clasificación molecular robusto en ovario se ha encontrado, a pesar de un gran número de conjuntos de datos disponibles de expresión. Esto puede ser debido al hecho de que muchos estudios incluyen múltiples subtipos histológicos, la reducción de su poder para identificar eficazmente nuevos fenotipos moleculares [22], [23], [24], [25], [26].
para superar las limitaciones de estos estudios previos, se genera una gran datos de expresión génica de los tumores establecidos que consisten solamente en alto grado, carcinomas serosos de última fase y utilizamos estos para el descubrimiento de subtipo. Nos centramos en los tumores serosos de alto grado, ya que representan, con mucho, el subtipo histológico más común de cáncer de ovario y el más sensible a la quimioterapia. Nos desviamos de la estrategia ampliamente utilizada de la agrupación de los pacientes basándose en la similitud global de sus perfiles de expresión génica como se describe en Tothill et al. [10] debido a que tales enfoques pueden ser cofundada por la expresión de genes de fondo y en su lugar se centraron en la búsqueda de características modulares compactos dentro de los perfiles de expresión tumoral. Nuestro enfoque es compatible con los modelos mecanicistas de los subtipos de cáncer en el que la expresión de distintos grupos funcionalmente relacionados de genes y vías distintas puede definir fenotípicamente y clínicamente distintos grupos [27].
Se utilizó el algoritmo de descubrimiento de clase sin supervisión ISIS [15], que divide la muestra establecida en subconjuntos y pone a prueba la importancia de las particiones utilizando análisis discriminante lineal con los 100 genes más importantes. En contraste con los más ampliamente utilizados algoritmos de agrupamiento, que siempre devuelven una partición de un conjunto de datos, ISIS no informa un resultado si los datos no apoyan la presencia de subtipos dentro de una cohorte especificado.
En el análisis presentado aquí hemos implementado una versión robusta del algoritmo de ISIS, Risis, que incluye una etapa de arranque adicional para identificar únicamente las particiones de las muestras en el conjunto de prueba que no dependen de la composición del conjunto de muestras de entrenamiento inicial. Para ello Risis elige al azar subconjuntos de las muestras de entrenamiento, las búsquedas de particiones de subtipos y capacita a los clasificadores para cada uno de estos, y monitorea la consistencia de las predicciones sobre las muestras de ensayo independientes. Sólo particiones predichos fueron consistentes en las muestras de ensayo independientes están guardados y usados para su posterior análisis
.
Uso Risis se encontraron cuatro particiones binarias, robustos independientes, o "Splits", en nuestra expresión génica contra el cáncer de ovario de datos de perfiles (S1 -S4), cada uno apoyado por la expresión de un conjunto definido de 100 genes (módulos), como se muestra en la Figura 1. para cada una de estas particiones binarios, los dos subtipos de pacientes fueron etiquetados G0 y G1, para los subconjuntos mayores y menores, respectivamente, de manera que S1 consiste en S1g0 y S1g1, S2 se divide en S2g0 y S2g1 para split2, etc. la lista de genes en los módulos que definen cada una de las particiones binarias está incluido en el archivo S1.
el ISIS algoritmo identificó cuatro clasificaciones independientes binarias de partición (splits) de 129 muestras de cáncer de ovario. Cada clasificación binaria se apoya en un conjunto seleccionado de forma independiente de 100 genes (módulo). El panel superior de la figura muestra cuatro barras horizontales que representan a la clasificación de las muestras tumorales 129 (columnas) con respecto a los módulos de genes. El color rojo indica que un paciente se clasificó en el grupo más pequeño que resulta de la división respectiva (g1) y blanco indica la clasificación en el grupo más grande (G0). El mapa de calor en el panel inferior representa los perfiles de expresión de genes de los módulos que soportan las cuatro clasificaciones binarias. Cada fila representa un gen, cada columna un paciente y cada celda corresponden a un gen y su nivel de expresión; amarillo indica un nivel de expresión de un gen por encima de su media en todos los pacientes y azul por debajo de su media.
perfiles de expresión de microARN proporciona soporte para Dividir 1 |
Los perfiles de expresión de los 743 conocidos microRNAs representado en la plataforma Illumina DASL [17] proporcionado una fuente independiente de datos para probar la solidez de nuestras asignaciones de subtipos. Se utilizó el análisis de predicción de Microarrays (PAM) [20], que utiliza un método de centroide más cercano, para probar si la expresión nicroRNA fue capaz de predecir la composición subtipo para cada una de nuestras cuatro particiones binarias. Anidado validación cruzada se utilizó para construir un clasificador PAM para cada Split y calcular una estimación objetiva de su rendimiento [21]. Como puede verse en la Tabla 2, los perfiles de expresión de microARN proporcionan soporte más fuerte para los subtipos definidos por división 1; sólo tres muestras de S1g1 están mal clasificados dentro de la validación cruzada. El error de clasificación validación cruzada de S1g0 era más grande, pero todavía por debajo del 20%. Se observaron tasas de errores de clasificación errónea mucho más grandes en cuanto a grietas 2-4, lo que sugiere que estos pueden representar cualquiera de los artefactos en los datos o subtipos de pacientes caracterizados por la subestructura más compleja que no puede ser descubierto con el enfoque de la división binaria utilizada por Risis de expresión de ARNm originales.
Dado que los datos de microARN proporciona el mayor apoyo independiente para la división 1, se optó por centrarse el resto de nuestro análisis en esta tarea subtipo. Los microARN consenso establecido importantes en la clasificación de las muestras como S1g0 o S1g1 en todos los clasificadores de validación cruzada se incluyen en el archivo S2.
Análisis
Gene conjunto de enriquecimiento de Split 1 |
A continuación, realizó un conjunto de genes de enriquecimiento análisis utilizando gene Ontología (GO) términos de procesos biológicos para caracterizar funcionalmente el módulo gen responsable de la clasificación de Split 1. GSEA procesos significativos incluidos angiogénesis y proteínas de la matriz extracelular, la inducción de las categorías GO "el desarrollo vascular" (GO: 0001944; FDR = 2,5%) y "regulación de la adhesión celular" (GO: 0030155; FDR = 2,4%), ambos de los cuales tenía relativamente más altos niveles de expresión en S1g1, la menor de las dos clases que comprenden Dividir 1. el grupo de muestra más grande, S1g0, mostraron relativamente más alta expresión de genes implicados en la "unión de ADN de cadena sencilla" (GO: 0003697; FDR = 9,5%) y " unión al ADN estructura específica "(GO: 0043566; FDR = 5,0%). Debido a la importancia de la angiogénesis en la definición de los grupos, nos referimos a S1g1 como el "angiogénico" y S1g0 como los subtipos "no angiongenic".
La robustez y valor pronóstico de la clasificación subtipo angiogénico
Hemos probado nuestra clasificación subtipo angiogénico para la reproducibilidad y la asociación con variables clínicas en nuestra base de datos original y diez publicados previamente la expresión de genes conjuntos de datos recogidos en un número de diversas plataformas de microarrays (Tabla 1). Hemos normalizado, y se ajustan los datos de cada estudio y se les asigna una, la puntuación subtipo angiogénico a cada una de las 1.606 muestras en el gen publicado expresión de datos (véase el texto S1 para una descripción detallada de los métodos). Los resultados de estas asignaciones se muestran en la Figura 2 para nuestro conjunto inicial de 129 muestras (Figuras 2A, 2D, 2G), de los 1.090 pacientes de los diez estudios publicados que tienen alto grado (≥3), la fase crónica (≥3), tumores serosos de ovario (Figuras 2B, 2E, 2H), y 1.606 para todos los pacientes en los conjuntos de datos publicados (figuras 2C, 2F y 2I). Las cifras superiores muestran mapas de calor para los genes de clasificación 100, la fila del medio muestran la distribución bimodal de las puntuaciones de clasificación en cada conjunto de datos, y la fila inferior de las figuras muestra la supervivencia significativamente más pobre para el subtipo angiogénico en relación con el subtipo no angiogénica. Una validación independiente de que el número de subtipos más robusto en los datos, que se calcula utilizando el Criterio de Información Bayesiano (BIC), se muestra en la Figura S1.
Los paneles A, D y G visualizar la expresión génica de los 100 genes utilizado para clasificar los tumores de ovario en subtipos angiogénicos y no angiogénicas en nuestra base de datos (129 pacientes), el alto grado, en fase avanzada, tumores serosos (1.090 pacientes) y de todos los tumores (1.606 pacientes) en el conjunto de validación, respectivamente. Paneles D, E y F del informe correspondiente distribución de las puntuaciones de subtipo a escala. Los paneles B, D y F informes de los (generales) curvas de supervivencia de los pacientes que tienen tumores de subtipo angiogénico o no angiogénico en las correspondientes bases de datos.
Dentro de nuestra serie de pacientes, aquellos con tumores de subtipo angiogénicos tenían una razón de riesgo (HR) = 1,3 (95% CI [0.8,2.2], rango logarítmico p-valor = 0,28) con respecto al subtipo no angiogénica. Vimos diferencias similares, y altamente significativas para el alto grado publicado, la fase crónica de tumores serosos (HR = 1,3, IC 95% [1.1,1.6], log-rank p-value & lt; 0,001) y todo el conjunto de datos de ovario publicado (HR = 1,4; IC del 95% [1.2,1.6], log-rank p-valor & lt; 0,001). parcelas adicionales, incluidas la clasificación de los diez conjuntos de datos publicados individuales se pueden encontrar en la Figura S2 y S3 Figura.
Asociación con los parámetros clínicos
A continuación, probamos la asociación de la clasificación subtipo angiogénico con la clínica información, incluyendo el estadio, grado, citorreducción óptima durante la cirugía, y la edad, disponible para el compendio de conjuntos de datos (Tabla 1). En nuestra serie de 129 de alto grado, etapa tardía, los pacientes con cáncer de ovario seroso se observó ninguna asociación significativa con ninguno de estos parámetros clínicos (prueba exacta de Fisher p-value & gt; 0,05). Del mismo modo, en el conjunto de validación de 1.090 de alto grado, etapa tardía serosas pacientes con cáncer de ovario, no encontramos ninguna asociación significativa con el subtipo y estos parámetros (prueba exacta de Fisher p-value & gt; 0,05).
Sin embargo, en el conjunto de validación de 1.606 pacientes con cáncer de ovario que se encontró asociación significativa con el grado (sólo el 19% de los tumores de grado 1 son del subtipo angiogénico, prueba exacta valor p de Fisher = 0,0025; Tabla 3A), etapa (sólo el 10% de la etapa I y II tumores son del subtipo angiogénico, prueba exacta de Fisher p-valor & lt; 0,001; Tabla 3B) y de reducción de volumen (debulking es subóptima para 60% frente a 44% para el angiogénico y los tumores de subtipo no angiogénicas respectivamente, prueba exacta valor de p = 0,001 , Tabla 3C). No se encontró asociación significativa entre la clasificación del subtipo angiogénico y la edad al momento del diagnóstico ha sido encontrado.
Comparación con los publicados subtipos de cáncer de ovario
Por último, comparamos nuestra clasificación subtipo angiogénico a la expresión molecular a base de subtipos asignadas por Tothill y colegas [24] utilizando
k-means clustering
. Estos subtipos, que llamaron C1 (n = 83), C2 (n = 50), C3 (n = 28), C4 (n = 46), C5 (n = 36), C6 (n = 8), y NC para un conjunto de casos "sin asignar" (n = 34), se informó que corresponden a las diferentes características clínicas y patológicas. La más importante de ellas fue C1 que Tothill encontró que tenía significativamente mal pronóstico y que se describe como se caracteriza por una "firma estroma reactivo."
Cuando se clasificaron las muestras Tothill usando nuestra clasificación subtipo angiogénico, se observó una asociación altamente significativa con los racimos de Tothill (prueba exacta de Fisher p-value & lt; 0,001; Tabla S1A). De las 115 muestras clasificadas como teniendo el subtipo angiogénico, 82 (71%) eran del subtipo C1, C2 18 eran, 11 eran Carolina del Norte, y los cuatro restantes eran de C5; ninguna de las muestras C3 y C4 se clasificaron como angiogénico. Esto sugiere que la clase C1 de Tothill es en gran parte concordante con nuestra subtipo angiogénico.
También comparamos nuestra clasificación subtipo angiogénico con los cuatro subtipos ( "diferenciado", "inmunorreactiva", "mesenquimales", y "proliferación") recientemente definida a partir del conjunto de datos de expresión de genes generadas por el consorcio TCGA (Tabla 1; [12]). Estos cuatro subtipos fueron validados sólo en dos conjuntos de datos (TCGA y Tothill, Tabla 1) y no mostraron ninguna diferencia en la supervivencia global [12]. Sin embargo, se observó una asociación significativa entre nuestra clasificación subtipo angiogénico y subtipos de TCGA (prueba exacta de Fisher p-valor & lt; 0,001; Tabla S1 B), donde la mayoría de los tumores identificados como angiogénicos son de la mesenquimales TCGA (58%) y inmunorreactiva ( 20%) subtipos, aunque el uso de nuestra clasificación /no-angiogénico angiogénicos que tienen una supervivencia significativamente peor que se describió anteriormente.
Discusión
ha habido muchos estudios publicados que han tratado de encontrar robusta, clínicamente subtipos moleculares pertinentes a la PI en el cáncer de ovario, pero no ha habido un consenso claro en cuanto a qué existen subtipos. Una razón para esto puede ser que la mayoría de los análisis se han utilizado métodos que son sensibles a las variaciones sutiles en los datos, lo que resulta en subtipos putativos que no pueden generalizarse a conjuntos de datos de validación independientes [28], [29]. Muchos estudios también han utilizado tipos histológicos mixtos en sus análisis, lo que reduce la posibilidad de descubrir nuevas clases y potencialmente confundir los resultados.
En el análisis que aquí se presenta, nos centramos en un solo tipo de ovario seroso de alto grado histológico cáncer. Elegimos este porque es, de lejos, el subtipo histológico más común de cáncer de ovario y el que es más sensible a la quimioterapia. Además, la gran mayoría de los datos de expresión génica publicados, incluida la de la TCGA, es de pacientes con cáncer de graves de alto grado. Aunque hay otros subtipos histológicos de ovario mucinoso reconocidos, incluyendo, de células claras y el cáncer endometrioide, que no tienen un número suficiente de éstas para buscar subtipos o para validar su existencia en forma robusta conjuntos de datos independientes
.
Para el descubrimiento de subtipo, utilizamos Risis, un robusto método de agrupación que combina la clase de descubrimiento y selección de características mediante la búsqueda de grupos binarios de las muestras que están fuertemente apoyados por diferencias estadísticamente significativas en la expresión de genes [15]. En lugar de depender de los patrones globales de expresión, que pueden verse afectados por el ruido en los datos y por la elección inicial de muestras, registros Risis para las separaciones de la muestra inicial fijado junto con los genes que son significativamente diferentes entre los subgrupos y apoyan la separación. Por diseño, Risis informa varias particiones, que se solapan de la serie original de la muestra y los genes asociados de clasificación, lo que refleja la complejidad de los sistemas biológicos en los que a menudo hay vías comunes o grupos funcionales de genes que se activan en múltiples grupos fenotípicos. Si bien hemos encontrado cuatro particiones subtipos putativos, cada uno de los cuales se podrían describir plausiblemente por los genes que lo apoyaban, sólo hemos podido confirmar la existencia de la primera bi-partición de las muestras utilizando los datos de expresión de microARN obtenidos de forma independiente.
Los correspondientes dos subtipos, que se define por la expresión de genes asociados con la angiogénesis ha demostrado ser robusto y reproducible en publicados de forma independiente de expresión génica de datos incluyendo 1090 de alto grado, etapa tardía, (y 1.606 total) los tumores de ovario graves, con diferencias estadísticamente significativas en la supervivencia global. Se encontró que el subtipo angiogénica a ser bastante concordante con C1 de Tothill "estroma reactivo" clúster [24] y para solaparse con mesenquimales y subtipos inmunorreactivos identificados por el consorcio TCGA [12], pero con mejor apoyo estadístico y una bien definida, functionally- conjunto asociado de módulos de genes clasificación. Cuando extendemos nuestro análisis a todos los 1.606 pacientes, que incluyen el bajo grado y los pacientes en fase inicial, la bimodalidad de la puntuación subtipo fue preservada y la asociación con la supervivencia fue aún más fuerte. En general, esto sugiere que el subtipo angiogénico representa un cierto subconjunto biológica de los tumores de ovario seroso que se pueden identificar con firmeza en todos los conjuntos de datos independientes.
Esta identificación de un subtipo de la angiogénesis es impulsada de potencial importancia clínica y traslacional desde varios contra agentes -angiogenic (bevacizumab, cediranib) se añaden a la quimioterapia, tanto en los pacientes recién diagnosticados y los de cáncer recidivante. e inhibidores de la reparación del ADN (olaparib) [30], [31], [32].
Bevacizumab es un anticuerpo monoclonal humanizado que reconoce el factor de crecimiento endotelial vascular (VEGF) y que circula ha documentado actividad anti-cáncer pacientes con cáncer recurrente de ovario [30], [31], [32], [33], [34], [35]. agente bevacizumab solo demuestra las tasas de respuesta de actividad 18 a 20% lo que sugiere de este anti-angiogénicos en el cáncer de ovario [30], [31]. En estos estudios, el bevacizumab se ha identificado como un fármaco activo tanto en el cáncer de ovario recurrente platino-resistentes y sensibles al platino.
En el estudio GOG 218, se añadió bevacizumab a la quimioterapia inicial para los pacientes recién diagnosticados con avanzada cáncer de ovario, y el diseño del estudio estuvo constituida por 3 grupos: carboplatino y paclitaxel dan IV con placebo durante la quimioterapia y mantenimiento, carboplatino /paclitaxel /bevacizumab con el mantenimiento de placebo, y carboplatino /paclitaxel /bevacizumab seguido de 12 meses de mantenimiento bevacizumab. Se observó una mejoría estadísticamente significativa de 4 meses en el carboplatino /paclitaxel /bevacizumab más dejáramos bevacizumab brazo en comparación con carboplatino /paclitaxel solo [33].
ICON7 también demostró una mejoría estadísticamente significativa de la SSA con la adición de bevacizumab a la quimioterapia inicial [35]. En pacientes con cáncer recurrente platino sensible de ovario, la adición de bevacizumab a la quimioterapia con carboplatino y gemcitabina PFS estadísticamente mejoradas en comparación con carboplatino y gemcitabina quimioterapia sola [34]. Por lo tanto, el aumento de los datos clínicos tanto en el cáncer de ovario recién diagnosticada y recurrente sugiere algún beneficio en PFS con la adición de bevacizumab [34], [35].
Dadas las toxicidades importantes de estos agentes, tales como perforaciones intestinales gastrointestinales, eventos tromboembólicos tales como los accidentes cerebrovasculares y embolia pulmonar, e hipertensión, así como su costo financiero, una firma de clasificación que podrían identificar y pre-seleccionar los pacientes cuyos tumores muy probablemente se benefician de la recepción de los agentes anti-angiogénicos podrían ser de gran importancia clínica. Una evaluación retrospectiva de los perfiles de expresión génica de los pacientes del grupo de tratamiento de uno de estos ensayos clínicos podrían ayudar a establecer la validez de esta firma para predecir la respuesta correspondiente.
Es posible que las aplicaciones de traducción adicionales de nuestra angiogénico /no asignaciones subtipo angiogénicos. El gen clasificación establecida también se enriqueció para genes asociados con la matriz extracelular y un número de agentes que interfieren con la ECM, incluyendo inhibidores de la muesca y moduladores de integrina, se están probando actualmente en el cáncer de ovario. Una vez más, un análisis retrospectivo de los datos de expresión génica de los pacientes en los grupos de tratamiento de estos ensayos podría ayudar a establecer una aplicación clínica de los subtipos que hemos identificado.
A pesar de que aún queda mucho por hacer, hemos desarrollado un nuevo enfoque al descubrimiento robusta subtipo, demostró su aplicación en enfermedades en las que la identificación del subtipo ha demostrado ser un desafío, y validados que nuestras asignaciones de subtipos son robustos en un gran conjunto de datos independiente y más fuerte predictor del resultado que cualquier firma ya se ha informado en el cáncer de ovario. Dada la coincidencia entre los genes que impulsan el subtipo de clasificación, y los ensayos clínicos en curso en el cáncer de ovario, creemos que nuestra clasificación tiene un gran potencial para ayudar a la influencia del tratamiento y mejorar los resultados para los pacientes.
Apoyo a la Información
figura S1.
Identificación del número más probable de gaussianas para modelar las puntuaciones de subtipo en el conjunto de entrenamiento (Figura 1A-B) y en el conjunto de validación de los 1.090 pacientes que tienen alto grado (≥3), la fase crónica (≥3), los tumores ováricos serosos (Figura 1C-B) y para todos los 1.606 pacientes (Figura 1E-F). El panel A muestra la distribución de las puntuaciones de subtipo y la mezcla de dos gaussianas, lo que es el modelo más probable dados los datos estimados por el Criterio de Información Bayesiano (BIC) en el panel B. Como se puede ver en los paneles C y E, el la distribución de las puntuaciones de subtipo todavía exhibe un patrón bimodal a pesar de la heterogeneidad de los conjuntos de datos de validación (tecnologías de microarrays diferentes y métodos de normalización);